MM-DyGraph:首个多模态动态图学习基准及 TST-MF 融合模型
研究团队发布 MM-DyGraph,这是首个针对多模态动态图学习的基准。 基准包含三个评估任务,并揭示单纯特征拼接会导致模态信息对预测目标的贡献随时间变化。 为此提出的 TST-MF 框架通过感知目标和时空关系实现跨模态融合,在多任务实验中展现出稳定的性能提升。
研究团队发布 MM-DyGraph,这是首个针对多模态动态图学习的基准。 基准包含三个评估任务,并揭示单纯特征拼接会导致模态信息对预测目标的贡献随时间变化。 为此提出的 TST-MF 框架通过感知目标和时空关系实现跨模态融合,在多任务实验中展现出稳定的性能提升。
研究者提出 Transformer 架构的 ICare-DT 数字孪生模型,利用 140,473 条 eICU-CRD 住院记录进行训练。模型每小时更新潜在状态,在 12 项测试设置中后续预测比 6 小时前的预测准确率(AUROC)高 0.073 至 0.153。
针对视觉语言模型强制长思考导致的过度推理问题,研究提出 dual-reference 离线优化方法 DR-BOLT。该方法区分快慢混合参考与采样分布,在 ScienceQA 及三个留出基准上实现 2.90 倍端到端训练加速,跨基准慢思考比例为 24.1%。基于 Qwen3-VL 的实验验证了目标函数改进效果,代码已开源。
CARGO框架通过因果归因与责任引导优化,提升了混合交通中协作上匝道合并的安全性。实验显示,该框架显著降低了交通事故发生率。 该框架利用共享潜在上下文后验和动作条件响应模型估计行为影响,并结合条件扩散生成未来响应以评估风险。
PhysioWave-T 通过动态尺度折叠将序列长度压缩,在四项 EEG 任务中使 Transformer 延迟降低 4.0-7.2 倍、峰值内存降低 6.8-12.7 倍且无精度损失。
针对多模态情感识别中模态间预测分歧问题,研究提出 MiD-ERC 框架。 该框架利用标准化分歧分数量化模态间分歧并估计样本可靠性,协调分歧引导的跨模态门控、可靠性加权及自适应 LLM 提示。 在 IEMOCAP 和 MELD 数据集上取得 SOTA 性能,在高分歧样本上表现显著提升。
论文提出面向任务的特征选择(TOFS)框架,通过接收端分类损失差异生成成对排序监督信号,训练选择器网络在单次前向传播中预测特征优先级。 在CIFAR-10仿真中,该框架在瑞利衰落和高斯噪声下实现84%分类准确率,优于SOTA方法的68%,且在相同传输特征数和平均发射功率下优于基于重要性的基线。
提出 SensDiff 框架,将符号规则整合进扩散模型生成动力学,解决 3D 分子生成中统计合理但化学无效的问题。 利用扩散轨迹从粗到细的演进特征,在训练中依次施加自适应加权约束,先解决宏观几何冲突再细化微观化学一致性。 实验证实该方法显著提升化学有效性,代码已公开。
提出 WearableBridge 框架,通过任务引导传输映射将腕部加速度计特征映射至参考分类器关联的活动区域,提升自由生活场景下的活动识别精度。
后验群平均法是一种在物理模拟中强制对称性的技术,但对非紧致群缺乏标准化定义,其性能提升常局限于分布外数据或低数据场景。 研究提出Weyl技巧、正交投影和框架平均三种替代方案,实验表明直接基于不变特征训练的模型通常优于后处理投影方法。
视觉语言模型少样本适配面临梯度估计噪声大的问题,SignSparseSGD 和 DynSignSparseSGD 通过仅保留少数梯度符号进行更新,无需优化器状态。 在 11 个数据集、3 种 CLIP 主干和 5 种 shot 水平上,这两种优化器表现优于或持平现有基线,且对长训练周期不敏感。 方法具有强通用性,无需任务特定模块,单一配置即可跨场景适用,代码将随论文发布。
研究人员提出CT专用世界状态框架SliceWorld,通过将轴向CT扫描视为z轴序列,编码包含解剖、病变和不确定性组件的潜在状态。模型在M3D-Cap和CT-RATE数据集上实验显示,其自然语言生成指标和临床自动评估均有所提升。 该框架支持多步未来切片预测、病变因素干预和基于LLM的报告生成,并在NeurIPS 2026被接收。
研究提出针对 VLM 蒸馏的 Hide to See 框架,通过掩码技术解决长思维链中的视觉遗忘问题。 该框架包含 token 级显著前缀掩码和自适应性掩码预算调度策略,实验结果显示其在多模态推理基准测试中优于近期开源 VLM 及自蒸馏方法,有效增强了视觉信息利用率。
该研究提出一种因果表示学习框架,利用多模态临床记录中的观测数据及非随机缺失模式。在 MIMIC-IV 和 eICU 数据集评估中,该方法相比最强基线模型,住院再入院 AUC 相对提升最高 4.3%,ICU 入院提升 2.7%。 该框架包含 MMNAR 感知模态融合、模态重建对齐及多任务结果预测组件,旨在修正由特定模态观测模式引起的残余偏差。
DunbaaBERT 发布了基于 17 GB 乌尔都语语料库训练的 RoBERTa-base 模型系列,采用 32k、52k 和 96k 的 Byte-BPE 词表。 在内在与下游乌尔都语 NLP 基准测试中,32k 词表版本展现出最强的整体效率优势,且词表增大并非总是能提升下游效果。 所有模型均以 MIT 许可证开源,证明了精心策划的特定语言编码器模型在紧凑规模下仍具备竞争力。
研究指出大型视觉语言模型在图表理解上存在局限,其内部隐藏状态包含节点和边缘方向等信号,但模型最终预测表现不佳,导致内部信号与输出结果之间存在脱节。 线性探测实验证明,即使模型在视觉问答中难以处理的边缘连通性,也能从隐藏状态中解码出来;进一步的因果干预表明,部分探测信号确实影响了最终预测,且该发现同样适用于流程图场景。 该研究揭示的表征与输出差距有助于深入理解并改进视觉语言模型的推理能力。
研究表明,通过放大模型规模(upscaling)比标准继续预训练更高效地适应该语言,尤其能缓解容量限制,显著提升资源较丰富语言的目标性能。 对于低资源语言,在英语基础上先进行初步放大步骤有益;而在高资源场景下,直接在目标语言上进行放大计算效率更高,但可能牺牲数据效率。 该文发表于 Findings of AACL-IJCNLP 2026,系统验证了不同放大策略在多语言场景下的效率与性能权衡。
研究提出 OpenMeter 多智能体系统,支持将自然语言查询转化为可执行代码,解决非专业人员提取智能电表洞察及云端隐私合规难题。 在资源受限本地硬件上,全多智能体编排相比最强单智能体配置提升 EX-R 准确率 6.1 pp;前沿规模下需选择性启用组件以平衡成本。 该系统降低日常公用事业运营的技术门槛,使非专家可通过对话将原始遥测数据转化为网格工作流的战略决策工具。
研究提出 ABHBench 多模态基准,通过《底特律:变人》叙事场景评估 12 个基础模型的道德决策。 结果显示 75% 模型在文本与多模态情境下表现显著差异,增强推理模型未表现出一致性提升。该工作被 NeurIPS 2026 接收,强调需在具身智能体情境中评估道德行为。
在20万篇英文新闻中,MinHash检测器发现18.9%的文章存在近似复制,其精确度达0.97。 面对关于陌生人的三则相同重印报道,Llama 3.2 3B和phi4 14B接受谎言的比例分别升至0.71和0.90,且忽略单一来源提示。 限制每检测链仅展示一份报道可将四个评委接受的复制谎言减少0.10至0.24,而误标独立报告的比例不超过4.2个百分点。
PathXAI 结合组织分割信息与 H&E 图像生成结构化病理报告,其分割组件在内部和外部测试中 Dice 均值超越基线模型。 在 1,200 个公开和 151 个私有病例评估中,PathXAI 与参考诊断的吻合度高于 H&E 对照组,其中 PathXAI-Report 比 Qwen + H&E 的癌症家族匹配率高 4.4 个百分点,发现 F1 值高 5.7 个百分点。
研究通过区分感知与计数复杂度,揭示多模态LLM在图示任务中失败的根源。针对Gemini等模型,思维链模式下错误率主要受答案数值量级驱动(每十进制数下降2.38倍)。提供代码与转录后,10x10网格计数正确,但单次阅读易漏横向边;结合旋转副本二次读取,大网格精确识别率达86/96。
研究团队发布首个土耳其语多模态视频事实核查数据集 TeViD,并对比两种基于 Qwen 模型的验证管线。 管线 1 结合 Qwen2.5-7B 与 Qwen2-VL-7B,管线 2 通过 LoRA 微调 Qwen2.5-7B;两者均报告了 accuracy 与 F1 指标。 填补了低资源语言视频核查空白,数据源自 IFCN 认证组织。
视觉语言模型中存在“潜意识学习”,教师模型的隐藏偏好可通过无关任务数据传递给学生模型。在 2B 至 7B 参数的模型中,学生模型在无关任务上的偏好转移最高达 10 个百分点,且随训练数据增多而增强。
多模态大语言模型终身知识编辑面临严重灾难性遗忘问题,现有方法难以避免序列编辑对预训练能力的干扰。 ROSE 框架通过限制参数更新在正交互补子空间并引入风险掩码机制,成功保护了关键事实参数子空间,确保模型稳定性。 在两个主流多模态基准测试中,ROSE 在连续 1,000 次更新中保持了卓越稳定性,其表现与最先进方法相当。
研究证明BGE-M3和BERTScore等自动指标系统性误判罗马化印地语、泰卢固语及卡纳达语的质量。在4个LLM评测中,GPT-5.5比Claude Opus 4.8高1.43分,但自动指标差异仅为0.004。Gemini存在16.9%的脚本混用,Qwen3.5-35B有16.2%的印度语输出坍缩为英语。
基于 25 个 GPT-2-small 模型的实验表明,自然语言训练比代码训练更能塑造脑对齐几何结构。TinyStories 在 Pereira-243 上的脑分高于四个代码模型均值 0.053,Holm 校正后 p<0.001;几何分析显示其神经相似性峰值达 ρ=0.14。代码模型的对齐度停留在随机权重水平,且其优势在特定 benchmark 上消失。 ```
研究发现,7 个大语言模型在 GoEmotions 数据集上的隐藏表征呈现情绪过度压缩现象。 KMeans 聚类显示未标记表征主要分离为 2 组正负情绪,较粗粒度分组比 28 类全 taxonomy 所需簇数更少。 线性探针仍保留细粒度预测信息,表明细粒度情绪信息虽未主导无监督几何结构但依然可访问。
Qoder 与 M5Stack 联合推出 StackChan 固件 QChan,通过 M5Burner 烧录后,该桌面机器人可听懂语音指令并辅助开发。 QChan 集成了 Qoder Voice 能力,支持语音推进开发任务、操控电脑执行指令及自由聊天,用户可通过网页或 App 扫码登录。 将 AI 编程助手从编辑器延伸至桌面场景,实现通过语音在桌角完成代码任务与日常交互。
summary_zh: 创作者leedain_leader_in实测Kling 4.0,一次性生成包含10个镜头的18秒广告及23秒幕后花絮,实现物理效果与台词的直接可用。
百灵大模型官方发布 Ling-3.2-flash,该模型总参数 560B,单步激活 25B,原生融入视觉感知与空间理解能力。Ling-3.2-flash 具备视觉反馈自检和异常自适应恢复能力,能对照渲染结果调整代码并根据报错信息继续执行任务。
推荐理由:官方明确了560B参数下的视觉自检机制,用户可据此评估其在异常恢复场景下的工程落地可行性。
该研究通过 LoRA 优化 GraphCast 并联合调整初值,引入 Pangu-Weather 作为门控机制以区分误差来源。 交叉模型约束将两模型在优化初值下的平均预报误差减少差距从 64% 缩小至 10%。 门控机制将模型误差转移至 LoRA 校正,从而提供更优的分析估计结果。
提出模型 Undertone-P,利用其他评分者学习冻结视觉语言模型(VLM)回归权重的高斯先验,实现少样本个性化图像审美评估。 在 PARA 基准测试中,该方法仅用先验达到 0.640 的 Spearman 相关系数,10 和 100 个新评分将其提升至 0.648 和 0.676,且在审美偏好偏离大众时提升显著。
基于 Music Transformer 的 11 种风格适应实验显示,LoRA、IA3 等微调方法在和弦预测上较冻结基线提升 2.89 至 3.61 个百分点。 剔除头部 token 后,非巴赫圣咏风格中各方法增益趋同(+1.30 至 +1.34 pp),表明和弦符号主要提供风格标记而非完整身份。
研究将 162 个视觉模型的对象相似度结构分解为通用与模型特有维度。 通用维度更具可解释性,由概念图像属性驱动,且与架构、目标函数或训练数据等差异无关。 具有更多通用维度的模型能更好地预测猕猴 IT 区活动及人类相似度判断。
研究团队推出 UniHall 数据集与 SAMF 框架,用于系统性评估多模态大语言模型的幻觉。 UniHall 覆盖对象、指令和知识维度,SAMF 采用进化变异策略进行自适应模糊测试,并通过多模态仲裁者集成确保动态输入评估可靠性。 实验显示前沿 MLLM 在模糊测试下性能显著退化,揭示推理能力与事实依据的脱节及 RLHF 可能加剧谄媚效应。
HyperVAttention 是一款免训练稀疏注意力框架,针对视频扩散 Transformer 的自注意力二次复杂度瓶颈。 该方法通过 3D 局部窗口聚类与混合聚类策略降低开销,并结合硬件感知集群合并提高 CTA 利用率。 在 HunyuanVideo 上实现 2.13 倍速度提升,HVA-Flash 变体达 2.23 倍,且高保真度优于 SVG2。
新模型SKILD通过单一无条件框架统一了图像生成与连续超分辨率任务,无需特定架构或重训练。 在CIFAR-10上达到FID 2.61,并在ImageNet上通过单一检查点实现2倍至8倍超分辨率,在感知指标上超越条件模型。 研究还表明该模型能重构关键的伊辛模型,其四重关联 closely tracks ground truth。
PanoWorld提出了一种全景视频世界模型,可从单张图像和文本描述生成几何一致的360°视频。 通过引入深度一致性损失和轨迹一致性损失,该模型基于预训练视角视频模型进行优化,并构建了统一的PanoGeo数据集。 该工作证明全景视频生成应被视为几何建模问题,以满足具身智能应用对整体空间理解的需求。
该研究提出嵌入式语言流模型(ELF),一种基于连续时间流匹配的扩散语言模型,主要在连续嵌入空间运行,仅在最后一步映射为离散 token,并可直接复用图像扩散中的 classifier-free guidance(CFG)技术。 实验中,ELF 以较少采样步数显著超越了当前领先的离散与连续 DLM,生成质量更优。 结果表明,ELF 为构建有效的连续扩散语言模型提供了一条可行路径。